导航:EXPO21XX>视觉21 xx>H15:研究和大学捷克工业大学
视频
载入播放器…
  • 提供配置文件
  • 欢迎加入智能与移动机器人群!

    所进行的研究集中在设计和开发智能移动机器人——自导的车辆。总体目标是为这类机器人开发高度鲁棒的认知控制系统，并将新颖的想法引入特定的解决方案。中心任务包括:环境感知、传感器数据处理和数据理解，所有这些都通向自动化世界模型的构建和/或更新。设计和优化了使用的世界知识表示，用于规划机器人在真实(室内)环境中的自导航活动。由于该系统需要高度复杂的控制和决策，其中关键部分始终是传感器和传感器数据的理解。
产品组合

  • 研究主题

  • 惯性导航
    本节介绍基于加速度计和陀螺仪提供的惯性测量数据的定位方法的研究成果。本课题的主要目标领域包括纯惯性方法的精度研究以及惯性方法与外向性方法融合的可能性。
    机器人控制系统
    本节描述移动机器人控制系统的研究和开发结果。
    救援行动的支持
    本课题的目的是对救援任务的操作人员和协调人员进行概述、监测和决策支持。支撑系统的基本组成部分是动态任务地图、通信框架和可视化接口。
    安全关键系统和诊断系统
    运输和工业中的软件应用必须满足严格的安全和质量要求。通过规范的形式化方法和软件测试，降低了随机和系统故障率。该诊断系统降低了系统维护成本和故障时间。
    运动规划
    运动规划的目的是为一个或多个机器人在配置空间中找到一个最优的无碰撞路径，以完成某个任务(从起点到目标位置，在空间中找到一个物体，清理工作区域等)。我们的小组研究了一个机器人的规划算法(避障)和一组机器人的规划方法(覆盖和探索问题)。
    基于距离测量处理的移动机器人定位
    为了有效地探索工作环境并自主构建环境地图，机器人必须对自己的位置进行定位。里程计等简单方法所提供的长期精度不足，导致我们开发基于多个不同传感器的数据融合的鲁棒定位方法。大多数方法都是通过超声波或激光测距仪测量到周围障碍物的距离。
    移动机器人地图制作
    工作环境图的存在对机器人导航很有用。本节介绍几种用于构建各种类型的环境地图的方法，指定用于机器人或人类使用。
    实验的硬件
    本节介绍在我们实验室开发和使用的实验硬件。

  • 当前的项目

    • SyRoTek

    • SyRoTek(“机器人电子学习系统”)项目的目标是研究、设计和开发构建多机器人远程学习系统的新方法和途径。该系统将允许远程用户熟悉现代移动和集体机器人、人工智能、控制和许多其他相关领域的算法。高级用户将能够开发自己的算法，并在真实实验中在线监控这些算法的行为。该系统减少了开发过程，并允许广泛的个人和机构使用真正的机器人设备。

      机器人平台的主要部件——移动机器人——预计将在一个受限区域内移动，该区域还将包含其他元素，如与实际解决的任务目标相关的障碍或物体。此外，一些传感器(红外线、声纳、照相机等)将被用来收集关于球场的实际状态和球场上特定物体的信息。一些传感器将被安装在机器人上，而另一些将是独立的，以获得球场状态的全局概述。用户不仅可以通过互联网接口观察收集到的数据，还可以实时控制机器人。与世界上现有的电子学习机器人系统不同，在该系统中，用户只能远程操作机器人，SyRoTek系统中的机器人的行为可以修改，而该系统允许运行用户自己开发的算法。

    • VenZeTmy

    • 这个项目的目的是为视障人士开发一种新的辅助工具。该项目由Integrace管理。我们正在研究障碍检测系统。我们使用立体摄像机STOC进行基本的障碍物检测。
      该辅助设备包括用于障碍物检测的传感器和集成到衬衫上的触觉显示器。触觉显示有7x3振动驱动器。用户前方障碍物的位置决定了哪个执行器被激活。

      场景(左)有两个障碍。视差图(右)是由立体图像构建的。到物体的距离被用来确定激活矩阵(中)。

  • 实验结果与演示

    • SyRoTek阶段扩展

    • 视频展示了IMR扩展的Stage(来自Player/Stage项目)功能。它现在支持多个独立视图(每个视图可以单独配置，允许与标准Stage窗口具有相同的功能)。此外，每个视图可以播放视频源(文件和直播流)，这些视频源可以与传感器数据和Stage产生的其他数据一起显示。还提供了查找舞台场景与视频之间正确转换的摄像机校准工具。最后，开发了允许将Stage用作独立查看器的插件。更多信息请访问:http://lynx1.felk.cvut.cz/syrotek

    • 用无人机进行自主监视

    • 这段视频展示了一架无人机的自主飞行，它必须拍摄由白色卡片指定的目标区域。无人机使用一种导航方法在文章“简单，但稳定的轴承导航”中提出。该方法基于图像分析和航迹推算。为了保证无人机在目标上方的精确定位，采用了基于神经网络的方法来规划无人机的路径。更多细节将于2010年11月公布。

    • 使用RRT-Path解决bug陷阱基准测试

    • 任务是将红色的棍子移动到“Bugtrap”中。这比把它带出陷阱要容易得多。“Bugtrap”是运动规划的基准。通过对快速搜索随机树:RRT-Path的改进，得到了求解方法。

    • 机场雪铲

    • 该视频展示了几个由移动机器人组成的队伍铲雪的实验。编队(及其所有机器人)的路径使用后退地平线控制方法进行规划。在视频的第一部分，几个模拟显示能力处理耦合/脱耦的形成和动态障碍回避。然后，两个室内实验展示了如何在盲道(如跑道尽头)中转弯，以及如何在机场铲雪。P3AT机器人的最后一个实验是P3AT移动机器人在公园里铲路面。最后用SURFnav算法对机器人进行导航。

    • Parrot AR-Drone自动起飞和降落

    • 这个视频演示了AR无人机在移动车辆上起飞和降落的能力。ARDrone底部摄像头用于识别移动机器人上的简单图案，无人机在上面降落或降落在图案上。

    • Parrot AR-Drone自动飞行

    • 这段视频展示了一个全自动无人驾驶飞行器沿着预先学习的短路径飞行。四轴飞行器首先由遥操作器手动引导。在远程操作飞行中，图像处理算法(SURF,SIFT)从机载摄像机图像中识别显著目标。这些物体的位置被估计出来并放入一个三维地图中。在自主模式下，四轴飞行器加载一个相关的地图，并将映射的对象与当前可见的对象进行匹配。通过这种方式，四轴飞行器能够以比传统GPS更高的精度估计它的位置。关于导航方法的详细信息见文章:Krajnik等。:“简单，但稳定的轴承导航”，Journal of Field Robotics, 2010年9月。

    • Probostov湖自动驾驶

    • 这个视频展示了一个完全自主的机器人沿着预先学习的路径前进。首先，机器人被手动引导在一公里长的路径上绕湖，并创建路径附近的物体地图。在那之后，机器人会自己穿越路径几次。机器人从清晨开始学习地图，然后反复浏览地图，直到晚上。实验结果表明，该导航算法能够适应全天光照的变化。视频速度加快了20倍——实际上，浏览整个路径需要一个小时。应该意识到，使用GPS完成这项任务是不可行的，因为在树下，GPS信号受到反射和遮挡，GPS精度为10-30米。本文提出的视觉导航算法达到了0.3 m的精度。关于导航方法的详细信息见文章:Krajnik等。:“简单，但稳定的轴承导航”，Journal of Field Robotics, 2010年9月。

    • Probostov湖自动驾驶

    • 这与“Probostov湖自动驾驶”视频有关，移动机器人自动穿越一公里长的路径。在这里，你可以看到机器人对世界的看法，即机器人在学习阶段从机器人自带摄像头看到的景色。注意，在学习期间，有小雨，在航行期间，天气晴朗。关于导航方法的详细信息见文章:Krajnik等。:“简单，但稳定的轴承导航”，Journal of Field Robotics, 2010年9月。

    • 简单地形探测车的运动规划

    • 简单漫游者在地形上的运动规划。运动规划采用RRT算法，绿色树代表实际(局部)规划。

    • 钢琴发的问题

    • 三维环境中一个三维刚体的运动规划示例，这被称为“钢琴搬运工问题”。这里使用激光测距仪数据重建环境

    • 3 .三维扫描重建

    • 大厅三维扫描重建过程。霍尔被垂直放置的装有激光测距仪的机器人扫描。使用里程计对单个扫描进行校准。

    • 2 .三维扫描重建

    • 房间三维扫描重建过程。房间由垂直放置的装有激光测距仪的机器人进行扫描。使用里程计对单个扫描进行校准。

    • 三维扫描重建

    • 大厅三维扫描重建过程。霍尔被垂直放置的装有激光测距仪的机器人扫描。使用里程计对单个扫描进行校准。

    • 大型环境的拓扑映射

    • “大地图”(LaMa)框架能够构建一个(可能是大的)环境的拓扑地图。移动机器人能够使用一个简单的基于相机视觉的方法跟踪路径。当到达交叉点时，Lama决策模块确定将穿过哪个出口边。

    • 凝视控制智能轮椅

    • 轮椅装有I4Control装置，可以通过注视控制轮椅。应用移动机器人领域的算法，保证用户的安全和舒适性。除了直接控制轮椅的移动方向，用户还可以发出“向前移动2米”或“旋转45度”等命令。此外，已知地图上的目的地可以传递给轮椅，这就保证了导航的安全。

    • PeLoTe结构坍塌实验

    • 在执行任务过程中，可能会发生一些意想不到的情况。先前可通行的走廊因结构倒塌而被堵塞。救援者将此情况报告给操作员，操作员对地图进行修改并调用重新规划以解决碰撞情况。修改的地图和更新的路径计划会立即分发给所有的队友，任务就可以继续了

    • PeLoTe Merlin探索危险区域

    • 在执行任务期间，一名救援人员发现了一个被列为危险地区的区域，此前在地图上被视为封闭的区域。操作员在地图上进行修改。新的地图更新被分发到所有实体。发现危险区域的救援人员比远程控制跟随的梅林机器人观察一个人类无法到达的区域。在这一区域所作的观察结果随后公布给远程操作员，由他通过图形用户界面做出决定并对地图进行必要的修改。

    • PeLoTe佩纳实验

    • PeNa (Pelote项目的个人导航系统的一部分)支持人类成为远程操作任务中的远程端实体。这一概念通过导航、协助和来自远程知识库的数据共享扩展了它们的能力。本土化的核心是人的死亡推算。航迹推算是基于一个罗盘，惯性测量单元(IMU)，一个无线步长测量单元和一个激光。激光数据也用于地图的建立和定位。所有团队成员(人类和机器人)在地图上的准确位置为操作员提供了一个清晰的情况视图。PeNa还向维尔茨堡训练设施内的专业消防队员赠送。

    • PeLoTe ER1实验

    • PeLoTe项目中除了Merlin机器人外，ER-1机器人的功能介绍。电影展示了机器人ER-1在维尔茨堡专业消防员训练设施中的表现。

    • PeLoTe实验开始

    • 实验启动初始化程序。救援人员接近行动区域。他可以在GUI中看到环境的先前地图，并期望从任务协调器获得命令。任务协调器调用路径规划模块，以协调的方式为人类和机器人实体生成轨迹。然后将路径计划分发给所有相关实体，任务就可以开始了。

    • 大满贯

    • 同步定位与测绘(SLAM)是移动机器人的一项基本任务。使用激光测距仪的SLAM在这部电影中展示。机器人在环境中移动，逐步建立它所处环境的地图，然后在这个局部地图中定位自己。每一次新的激光扫描环境，与之前的略有不同(不同是由机器人的运动造成的)，本地化在局部地图的背景下，并添加新的信息到地图。点对点匹配方法用于扫描在地图上的定位。

    • MTSP分级方法

    • 多旅行商问题是机器人技术中所解决的一类问题的数学描述。我们试图找到一组机器人到每个“城市”访问的方法。路径长度是优化的目标。该方法采用具有MinMax准则的自组织Kohonen神经元网络。城市之上有等级制度。一组城市(城市较少)的解被用作较大集合的初始状态。

    • 户外导航

    • 户外环境下的导航是一项具有挑战性的任务。机器人使用相机和激光测距仪在公园里探测路径。机器人根据相机的颜色和纹理以及激光测距仪的形状和反射率识别出可骑行的地形。分类器根据激光信息学习路径颜色。然后，从相机图像中分割出路径。对机器人来说，最好的方法是在这张分割的图片中找到交叉点。

    • 多机器人的探索

    • 将多智能体结构A-globe与基于前沿的探测技术相结合，解决了移动机器人团队对未知环境的探测问题。A-globe架构允许在有限的通信可达性和参与机器人数量变化的情况下解决探索问题。将A*搜索与谐波势场相结合的新方法用于基于边界的路径规划。为了提高迭代最近点定位算法的速度和鲁棒性，改进了迭代最近点定位算法。整个探索框架已经在模拟和真实环境中实现和测试。

    • Robotour交付的挑战

    • Robotour是一项比赛，完全自主的机器人必须在公园里铺设的通道上行走约1公里。比赛开始前10分钟，比赛路线会发给球队。机器人必须保持在铺好的道路上，避开障碍物。这个视频展示了IMR学生团队部署的竞争机器人的一些基本功能。在Robotour 2008上，我们的团队使用SURFNav导航系统，以高于其他对手的分数赢得了比赛。

    • 三维室内测绘

    • 三维环境形状重建。配备了两台激光测距仪的机器人采集了实验室的测距数据。第一个激光测距仪用于机器人定位，第二个垂直于地板放置，测量与墙壁和家具的距离。您可以看到原始的本地化数据以及一些更适合机器人用途的表示。三维占位网格对于传感器数据融合或路径规划非常有用。用曲面法线表示适合于人工环境重构。三角剖分是计算机图形学中众所周知的表示方法。

    • 3 d户外映射

    • 三维环境形状重建。装有两台激光测距仪和照相机的机器人在大学校园里收集测距数据。利用相机和测距仪对机器人进行定位，融合激光测距仪和相机数据获得三维数据集。注意当机器人完成循环时地图的改进。